langchain入门系列之八 langgraph多agent示例

在之前的文章中我们介绍了langgraph，并且用它做了一个小小的示例，在本文中，我们将使用智普清言来构建多agent 系统。百度千帆对langgraph支持较差(尤其是强制要求奇数偶数的role设置，传入messages的奇数偶数要求，让人有点怀疑人生)

如果想快速学习langgraph建议优先使用open ai，其次是glm4也就是智普清言，官网链接，当然glm4并不是完美的，例如它现在对langchain中的ToolMessage支持还不是很好，但相对而言已经胜出qianfan太多。一家之言，听听就好。

在阅读本文之前，需要你对langgraph中的一些概念有所了解，不然阅读起来会很吃力。如下是ai生成的langgraph的一些基本知识：
LangGraph 是一个用于构建基于复杂工作流的大型语言模型（LLM）应用的开发库。它通过将任务的节点和关系以图形结构定义，支持更多样化和复杂的应用场景。
以下是 LangGraph 的一些基本概念：

状态图（StateGraph）：这是 LangGraph 的核心，代表整个状态图的基础类。状态图维护一个中央状态对象，会根据节点的跳转不断更新，状态包含的属性可自行定义。
节点（Nodes）：节点是 LangGraph 的基本构建块，每个节点代表一个特定的功能或计算步骤，如处理输入、做出决策或与外部 API 交互。节点可以是一个独立的操作，每个节点可以和一个方法关联起来。
边（Edges）：边连接图中的节点，定义计算的流程。LangGraph 支持普通边和条件边。普通边代表上一个节点运行完成后立即进入下一个节点，而条件边则根据条件函数的返回来决定下游节点。
条件边（Conditional Edges）：条件边是 LangGraph 中的一种特殊边，它根据条件函数的返回值来决定下一个执行的节点。这种边不仅需要上游节点、下游节点，还需要一个条件函数。
状态信息（State Information）：在多个节点之间执行操作时，需要保持状态，这就需要用到状态信息。状态信息可以在节点之间传递和更新。
编译（Compile）：对工作流进行编译，将定义好的图转换成可执行的应用。
执行（Execution）：传参、执行工作流，触发工作流按预定义顺序执行相关操作。
多智能体系统（Multi-Agent System）：LangGraph 支持构建多智能体系统，即多个 AI 智能体构成的系统，通过相互关联与协作共同完成任务。
工具节点（Tool Nodes）：在 LangGraph 中，工具节点代表可以被调用的工具，执行特定的工具操作，如调用 API 或执行特定服务。
入口点（Entry Point）：在状态图中设置的起始节点，计算将从这个节点开始。
这些概念共同构成了 LangGraph 的框架，使其能够支持复杂的 LLM 应用开发，如增强的 RAG 应用、自修复代码助手、多智能体系统构建等。通过 LangGraph，开发者可以创建具有循环计算、状态执行和条件逻辑的智能体应用。

本次主题是将英国最近5年的gpd化成图

安装依赖

%pip install -U langchain zhipuai langsmith pandas langchain_experimental matplotlib langgraph langchain_core

1、引入包，设置环境，这里需要注意的是，我们在这里设置了langsmith 和zhipu的相关参数，langsmith可以方便我们调试和监控langchain流程，TAVILY_API_KEY这个需要自己去TavilySearch官网注册一个账号使用。

import os
from langchain_community.chat_models import ChatZhipuAI
from langchain_core.messages import (
    BaseMessage,
    HumanMessage,
    ToolMessage,
)
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langgraph.graph import END, StateGraph, START
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.tools import tool
from langchain_experimental.utilities import PythonREPL
from langgraph.prebuilt import ToolNode
from IPython.display import Image, display
import operator
from typing import Annotated, Sequence, TypedDict
from typing import Literal
import functools
from langchain_core.messages import AIMessage


# 设置API
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = ""
os.environ["LANGCHAIN_ENDPOINT"] = "https://api.smith.langchain.com"
os.environ["LANGCHAIN_PROJECT"] = 'default'
os.environ["TAVILY_API_KEY"] =